Strojové učení v širším kontextu

Strojové učení (ML) představuje změnu paradigmatu v softwarovém inženýrství. Je to most mezi statistikou, informatikou a kognitivní vědou. V širším slova smyslu jde o automatizaci samotného procesu tvorby algoritmů.

Andrej Karpathy (přední vědec v oboru AI) označuje strojové učení jako Software 2.0.

• Software 1.0 (Tradiční): Kód píší lidé (např. v C++, Pythonu). Je čitelný, ale složitý na údržbu u komplexních úloh, jako je rozpoznávání obrazu.
• Software 2.0 (ML): Lidé definují cíl a architekturu (např. neuronovou síť), ale samotné parametry „píše“ proces optimalizace na základě dat. Výsledný „kód“ (váhy sítě) je pro člověka nečitelný, ale v dané úloze mnohem výkonnější.

ML nemůže existovat bez kvalitních dat. Širší kontext zahrnuje celý proces Data Science:

1. Sběr dat (Ingestion): Získávání surovin z logů, senzorů nebo uživatelských vstupů.
2. Čištění (Cleaning): Odstranění šumu a chyb (nejvíce časově náročná část).
3. Feature Engineering: Výběr nejdůležitějších vlastností dat, které mají na výsledek vliv.
4. Trénování a Evaluace: Samotné strojové učení.

Strojové učení mění ekonomiku mnoha odvětví:

• Personalizace jako standard: ML umožnilo vznik „ekonomiky pozornosti“ (Netflix, TikTok), kde algoritmus zná uživatele lépe než on sám.
• Demokratizace expertízy: ML modely umožňují provádět lékařskou diagnostiku nebo právní analýzu v místech, kde chybí lidští experti.
• Prediktivní údržba: V průmyslu ML předpovídá poruchy strojů dříve, než nastanou, což šetří miliardy korun.

• Problém „Černé skříňky“ (Explainability): U hlubokých sítí víme, ŽE fungují, ale často přesně nevíme, PROČ se rozhodly konkrétním způsobem. To je problém v lékařství nebo soudnictví.
• Přetrénování (Overfitting): Situace, kdy se model „naučí trénovací data nazpaměť“ včetně jejich chyb, ale nedokáže zobecnit své znalosti na nové situace.
• Kvalita dat (GIGO - Garbage In, Garbage Out): Pokud model trénujeme na zaujatých nebo nekvalitních datech, výsledky budou stejně špatné nebo diskriminační.

V širším kontextu je dnešní ML považováno za tzv. Narrow AI (úzkou AI). Současný výzkum směřuje k:

• Transfer Learning: Schopnost modelu využít znalosti z jedné úlohy pro jinou.
• Few-shot Learning: Schopnost učit se z minimálního množství příkladů (podobně jako lidé).
• Multimodalita: Modely, které současně chápou text, obraz, zvuk i fyzikální zákony.

Související články:

• Strojové učení: Technické základy
• Umělá inteligence: Historie a filozofie
• Neuronové sítě: Motor dnešního ML

Tagy: it ml data-science software-engineering ai futurology